人脸比对方法及装置与流程

1.本发明涉及图像处理技术领域，尤其涉及一种人脸比对方法及装置。


背景技术：

2.随着互联网技术的迅速发展，通过人脸验证来保障用户账号安全性也显得尤为重要。人脸验证，是人脸识别领域的一个分支，人脸验证就是确定待识别人脸与预先存储的人脸图像进行验证，判断是否为同一人，即“same or not”的问题，此为一对一的匹配过程。人脸验证算法先按照待识别者所声称的身份(如姓名或用户名)，查找出已存储的该人脸图像，然后按某种决策或匹配原则，对存储的图像与待识别人脸图像进行对比，从而判断出待识别者身份的真实性。人脸验证可广泛应用于互联网金融等多个场景下的用户人脸身份核实。
3.在实际应用中，由于时间的变迁、光照的变化，另外，由于采集图像的摄像头与采集预先存储的图像的摄像头不一定是同一个或同一类型的摄像头，因此采集的图像与预先存储的图像的色彩可能存在差异，从而造成人脸对比验证模型的可靠性急剧下降。


技术实现要素：

4.本发明提供一种人脸比对方法及装置，用以解决现有技术中由于图像色彩差异以致人脸比对准确度较差的缺陷，减小色彩对人脸比对的影响，提高人脸比对的精度。
5.本发明提供一种人脸比对方法，包括：获取待识别人脸图像；将所述待识别人脸图像输入至人脸比对模型中，得到所述人脸比对模型输出的人脸比对结果；其中，所述人脸比对模型是基于样本图像以及所述样本图像对应的纹理标签训练得到的；所述人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与预先存储的人脸比对特征进行人脸比对。
6.根据本发明提供的一种人脸比对方法，所述人脸比对模型，包括：特征提取层，基于输入的待识别人脸图像进行特征提取，并基于提取到的人脸图像特征、色彩特征和纹理特征，得到待检测人脸特征；人脸比对层，将所述待检测人脸特征与预先存储的人脸比对特征进行人脸比对，得到人脸比对结果。
7.根据本发明提供的一种人脸比对方法，所述基于提取到的人脸图像特征、色彩特征和纹理特征，得到待检测人脸特征，包括：基于输入的待识别人脸图像进行特征提取，得到人脸图像特征；对所述待识别人脸图像进行特征提取，得到色彩特征和纹理特征；利用所述色彩特征对所述人脸图像特征进行色彩调节，以及利用所述纹理特征对所述色彩调节区域进行纹理填充，得到待检测人脸特征。
8.根据本发明提供的一种人脸比对方法，所述特征提取层，包括：第一卷积层，将所述待识别人脸图像输入至第一卷积层，得到所述第一卷积层输出的人脸图像特征；第二卷积层，将所述待识别人脸图像输入至所述第二卷积层，得到色彩特征；第三卷积层，将所述待识别人脸图像输入至所述第三卷积层，得到纹理特征；第四卷积层，将所述人脸特征图
像、所述色彩特征和所述纹理特征输入至第四卷积层，得到所述第四卷积层输出的待检测人脸特征。
9.根据本发明提供的一种人脸比对方法，还包括：所述第一卷积层和所述第四卷积层包含的卷积层数量为n；所述第二卷积层和第三卷积层分别设置于所述第一卷积层的第中的任一卷积层。
10.根据本发明提供的一种人脸比对方法，训练所述人脸比对模型，包括：获取样本图像及其对应的纹理标签；将所述样本图像作为训练使用的输入数据，将所述样本图像对应的纹理标签作为标签，采用深度学习方式进行训练，得到用于生成待识别人脸图像的人脸比对结果的人脸比对模型。
11.本发明还提供一种人脸比对装置，包括：数据获取模块，获取待识别人脸图像；人脸比对模块，将所述待识别人脸图像输入至人脸比对模型中，得到所述人脸比对模型输出的人脸比对结果；其中，所述人脸比对模型是基于样本图像以及所述样本图像对应的纹理标签训练得到的；所述人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与预先存储的人脸比对特征进行人脸比对。
12.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述人脸比对方法的步骤。
13.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述人脸比对方法的步骤。
14.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述人脸比对方法的步骤。
15.本发明提供的人脸比对方法及装置，通过利用人脸比对模型提取待识别人脸图像的色彩特征、纹理特征和人脸图像特征，以对利用色彩特征对人脸图像特征进行色彩调节，以去消除由于图像来源差异造成的色彩差异，利用纹理特征对人脸图像特征进行纹理填充，以避免去除色彩的区域对人脸图像特征的纹理特征造成损失，从而提高人脸图像特征的特征完整度，提高后续人脸比对的准确率。
附图说明
16.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明提供的人脸比对方法的流程示意图之一；
18.图2是本发明提供的人脸比对方法的流程示意图之二；
19.图3是本发明提供的训练人脸比对模型的流程示意图之一；
20.图4是本发明提供的训练人脸比对模型的流程示意图之二；
21.图5是本发明提供的人脸比对装置的结构示意图；
22.图6是本发明提供的训练模块的结构示意图；
23.图7是本发明提供的电子设备的结构示意图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.图1示出了本发明一种人脸比对方法的流程示意图，该方法，包括：
26.s11，获取待识别人脸图像；
27.s12，将待识别人脸图像输入至人脸比对模型中，得到人脸比对模型输出的人脸比对结果；
28.其中，人脸比对模型是基于样本图像以及样本图像对应的纹理标签训练得到的；
29.人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与预先存储的人脸比对特征进行人脸比对。
30.需要说明的是，本说明书中的s1n不代表人脸比对方法的先后顺序，下面具体结合图2-图4描述本发明的人脸比对方法。
31.步骤s11，获取待识别人脸图像。
32.需要说明的是，获取的待识别人脸图像可以是基于摄像头拍摄的单帧人脸图像，或者，可以是基于摄像头拍摄的视频流中截取的单帧人脸图像。另外，获取的待识别人脸图像应当为即时采集的，即在特定对象需要进行人脸验证时，即刻采集特定对象的人脸图像，并将其输入至人脸比对模型中，进行人脸比对。
33.步骤s12，将待识别人脸图像输入至人脸比对模型中，得到人脸比对模型输出的人脸比对结果；其中，人脸比对模型是基于样本图像以及样本图像对应的纹理标签训练得到的；人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与预先存储的人脸比对特征进行人脸比对。
34.在本实施例中，人脸比对模型，包括：特征提取层，基于输入的待识别人脸图像进行特征提取，并基于提取到的人脸图像特征、色彩特征和纹理特征，得到待检测人脸特征；人脸比对层，将待检测人脸特征与预先存储的人脸比对特征进行人脸比对，得到人脸比对结果。需要说明的是，纹理特征包括人脸各个关键点的轮廓特征以及位置特征等。
35.具体而言，首先，特征提取层，基于输入的待识别人脸图像进行特征提取，并基于提取到的人脸图像特征、色彩特征和纹理特征，得到待检测人脸特征。更进一步地说，基于提取到的人脸图像特征、色彩特征和纹理特征，得到待检测人脸特征，包括：基于输入的待识别人脸图像进行特征提取，得到人脸图像特征；对待识别人脸图像进行特征提取，得到色彩特征和纹理特征；利用色彩特征对人脸图像特征进行色彩调节，以及利用纹理特征对色彩调节区域进行纹理填充，得到待检测人脸特征，从而减少色彩对人脸比对的影响，提高人脸比对精度。
36.在一个可选实施例中，参考图2，特征提取层，包括：第一卷积层，将待识别人脸图像输入至第一卷积层，得到第一卷积层输出的人脸图像特征；第二卷积层，将待识别人脸图像输入至第二卷积层，得到色彩特征；第三卷积层，将待识别人脸图像输入至第三卷积层，
得到纹理特征；第四卷积层，将人脸特征图像、色彩特征和纹理特征输入至第四卷积层，得到第四卷积层输出的待检测人脸特征。
37.在一个可选实施例中，第二卷积层和第三卷积层为并列卷积层，设置于所述第一卷积层内的同一卷积层，第一卷积层和第四卷积层包含的卷积层数量为n，为了使得提取的人脸图像特征较为准确，第二卷积层和第三卷积层尽量选择第一卷积层中第0.5n个卷积层之后的卷积层。
38.具体而言，第二卷积层和第三卷积层分别位于第一卷积层第或中的任一卷积层，其中n表示第一卷积层和第四卷积层的总数。第二卷积层和第三卷积层为并列卷积层，通过将第二卷积层和第三卷积层设置于第一卷积层上述任一卷积层，以便于第一卷积层从待识别人脸图像中充分提取人脸图像特征，进而便于第二卷积层和第三卷积层分别提取色彩特征和纹理特征，提高色彩特征和纹理特征的提取准确率，进而便于后续人脸比对。
39.举例而言，特征提取层包括12个卷积层，其中，第一卷积层和第四卷积层的卷积层数量为10个，且第一卷积层的卷积层数量为9个，则第二卷积层和第三卷积层可以选择第8个卷积层或第9个卷积层作为其分支，以便于在第一卷积层准确提取人脸图像特征之后，第二卷积层提取色彩特征，第三卷积层提取纹理特征。应当注意，第二卷积层和第三卷积层不能选择最后一层卷积层，即第二卷积层和第三卷积层不能选择第四卷积层作为其分支。
40.在一个可选实施例中，第四卷积层基于输入的人脸图像特征、色彩特征和纹理特征，得到待检测人脸特征，具体包括：将人脸图像特征与色彩特征作差，得到差值图；将纹理特征与差值图相加，得到待检测人脸图像。需要说明的是，在将人脸图像特征与色彩特征作差时，以色彩特征做掩膜，基于色彩特征的rgb值作差，得到去除色彩后的人脸图像特征。同样的，将纹理特征与差值图相加，以基于纹理特征对去除色彩后的人脸图像特征进行纹理填充，以避免去除色彩对人脸图像特征的纹理特征造成损失，提高人脸比对的精度。
41.其次，人脸比对层，将待检测人脸特征与预先存储的人脸比对特征进行人脸比对，得到人脸比对结果。需要说明的是，将待检测人脸特征与预先存储的人脸比对特征进行人脸比对，包括：采用欧式距离或余弦相似距离等相似度计算方式，计算待检测人脸特征与预先存储的人脸比对特征的相似度；基于最小距离计算结果与预设阈值，得到人脸比对结果。需要说明的是，若最小距离计算结果小于预设阈值，则确定待检测人脸特征与预先存储的人脸比对特征为同一人脸特征，人脸比对结果为通过比对。
42.应当注意，预先存储的人脸比对特征为预先基于彩色摄像头拍摄得到的彩色图像提取得到的人脸特征，该彩色图像可以为用户注册时录用的彩色图像，也可以是预先存储的彩色图像。
43.在另一个可选实施例中，将待检测人脸特征与预先存储的人脸比对特征进行人脸比对，还包括：采用聚类的方式，将待检测人脸特征与预先存储的多个人脸比对特征进行聚类；计算同一簇中待检测人脸特征与人脸比对特征的相似度，从而得到人脸比对结果。
44.在一个可选实施例中，参考图3，训练人脸比对模型，包括：
45.s31，获取样本图像及其对应的纹理标签；
46.s32，将样本图像作为训练使用的输入数据，将样本图像对应的纹理标签作为标签，采用深度学习方式进行训练，得到用于生成待识别人脸图像的人脸比对结果的人脸比对模型。
47.步骤s31，获取样本图像及其对应的纹理标签。
48.在本实施例中，样本图像数据可以理解为图片数据的集合，该图片数据可以是针对不同人脸，且该同一人脸在不同角度、不同环境条件、不同像素颜色等状态下的图片，图片数据流通常比较大，可达上百万张级别。上述样本图像用于训练待训练网络，以完成模型的构建。
49.在一个可选实施例中，在获取样本图像之后，还包括：基于数据增强策略对样本图像进行数据增强。具体而言，数据增强策略包括剪裁、旋转、平移、翻转、锐化、光照和遮挡中的至少一种，比如，数据增强策略包括剪裁、旋转、平移、翻转、锐化、光照或遮挡，再比如，数据增强策略包括剪裁、旋转、平移、翻转、锐化、光照和遮挡中的至少二种。通过采用至少两种数据增强策略分别对获取的样本进行数据增强，以便于增加模型的训练数据量，提高模型的检测精度。
50.步骤s32，将样本图像作为训练使用的输入数据，将样本图像对应的纹理标签作为标签，采用深度学习方式进行训练，得到用于生成待识别人脸图像的人脸比对结果的人脸比对模型。
51.在本实施例中，参考图4，待训练网络可以是训练装置中内置的一有网络，该已有网络通常包括一个网络结构，也可以是用户指定的其他网络，如各种神经网络cnn等。待训练网络中通常包括特征提取层、人脸比对层和损失函数；按照预设的迭代规则，将上述增强处理后的训练数据输入至待训练模型中进行训练，得到训练后的目标识别模型。
52.需要说明的是，基于纹理标签和提取得到的纹理特征损失函数具体可以为交叉熵函数，在训练模型过程中，利用纹理标签对纹理特征的提取进行监督训练，以便于提高提取的纹理特征的准确性，另外，色彩特征采用无监督学习的方式进行训练。
53.综上所述，本发明实施例通过利用人脸比对模型提取待识别人脸图像的色彩特征、纹理特征和人脸图像特征，以对利用色彩特征对人脸图像特征进行色彩调节，以去消除由于图像来源差异造成的色彩差异，利用纹理特征对人脸图像特征进行纹理填充，以避免去除色彩的区域对人脸图像特征的纹理特征造成损失，从而提高人脸图像特征的特征完整度，提高后续人脸比对的准确率。
54.下面对本发明提供的人脸比对装置进行描述，下文描述的人脸比对装置与上文描述的人脸比对方法可相互对应参照。
55.图5示出了一种人脸比对装置的结果示意图，装置，包括：
56.数据获取模块51，获取待识别人脸图像；
57.人脸比对模块52，将待识别人脸图像输入至人脸比对模型中，得到人脸比对模型输出的人脸比对结果；
58.其中，人脸比对模型是基于样本图像以及样本图像对应的纹理标签训练得到的；
59.人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与预先存储的人脸比对特征进行人脸比对。
60.在本实施例中，在数据获取模块51获取待识别人脸图像时，获取的待识别人脸图
像应当为即时采集的，即在特定对象需要进行人脸验证时，即刻采集特定对象的人脸图像，并将其输入至人脸比对模型中，进行人脸比对。
61.人脸比对模块52，包括：特征提取单元，基于输入的待识别人脸图像进行特征提取，并基于提取到的人脸图像特征、色彩特征和纹理特征，得到待检测人脸特征；人脸比对单元，将待检测人脸特征与预先存储的人脸比对特征进行人脸比对，得到人脸比对结果。需要说明的是，纹理特征包括人脸各个关键点的轮廓特征以及位置特征等。
62.具体而言，特征提单元，包括：第一卷积子单元，基于输入的待识别人脸图像进行特征提取，得到人脸图像特征；第二卷积子单元，对待识别人脸图像特征进行特征提取，得到色彩特征；第三卷积子单元，对待识别人脸图像特征进行特征提取，得到纹理特征；第四卷积子单元，利用色彩特征对人脸图像特征进行色彩调节，以及利用纹理特征对色彩调节区域进行纹理填充，得到待检测人脸特征，从而减少色彩对人脸比对的影响，提高人脸比对精度。
63.需要说明的是，数据获取模块11将待识别人脸图像输入至第一卷积子单元，得到第一卷积子单元输出的人脸图像特征；第二卷积子单元，将待识别人脸图像输入至第二卷积子单元，得到第二卷积子单元输出的色彩特征；第三卷积子单元，将待识别人脸图像输入至第三卷积子单元，得到第三卷积子单元输出的纹理特征；第四卷积子单元，将人脸特征图像、色彩特征和纹理特征输入至第四卷积子单元，得到第四卷积子单元输出的待检测人脸特征。
64.在一个可选实施例中，第二卷积子单元和第三卷积子单元为并列卷积层，设置于所述第一卷积子单元内的同一卷积层，第一卷积子单元和第四卷积子单元包含的卷积层数量为n，为了使得提取的人脸图像特征较为准确，第二卷积子单元和第三卷积子单元尽量选择第一卷积子单元中第0.5n个卷积层之后的卷积层。
65.具体而言，第二卷积子单元和第三卷积子单元分别位于第一卷积子单元第或中的任一卷积层，其中n表示第一卷积子单元和第四卷积子单元的总数。第二卷积子单元和第三卷积子单元为并列卷积子单元，通过将第二卷积子单元和第三卷积子单元设置于第一卷积层上述任一卷积层，以便于第一卷积子单元从待识别人脸图像中充分提取人脸图像特征，进而便于第二卷积子单元和第三卷积子单元分别提取色彩特征和纹理特征，提高色彩特征和纹理特征的提取准确率，进而便于后续人脸比对。
66.在一个可选实施例中，第四卷积子单元，具体包括：差值特征提取孙单元，将人脸图像特征与色彩特征作差，得到差值图；图像获取孙单元，将纹理特征与差值图相加，得到待检测人脸图像。需要说明的是，在将人脸图像特征与色彩特征作差时，以色彩特征做掩膜，基于色彩特征的rgb值作差，得到去除色彩后的人脸图像特征。同样的，将纹理特征与差值图相加，以基于纹理特征对去除色彩后的人脸图像特征进行纹理填充，以避免去除色彩对人脸图像特征的纹理特征造成损失，提高人脸比对的精度。
67.其次，人脸比对单元，包括：相似度计算子单元，可以采用欧式距离或余弦相似距离等相似度计算方式，计算待检测人脸特征与预先存储的人脸比对特征的相似度；比对结果获取子单元，基于最小距离计算结果和预设阈值，得到人脸比对结果。需要说明的是，若最小距离计算结果小于预设阈值范围，确定待检测人脸特征与预先存储的人脸比对特征为
同一人脸特征，即人脸比对结果为通过比对。
68.在另一个可选实施例中，人脸比对单元，还包括：聚类子单元，采用聚类的方式，将待检测人脸特征与预先存储的多个人脸比对特征进行聚类；计算子单元，计算同一簇中待检测人脸特征与人脸比对特征的相似度，从而得到人脸比对结果。或者，可以采用聚类的方式，将待检测人脸特征与预先存储的多个人脸比对特征进行聚类，并计算同一簇中待检测人脸特征与人脸比对特征的相似度，从而得到人脸比对结果。
69.在一个可选实施例中，参考图6，该装置还包括训练模块，用于训练人脸比对模型，训练模块包括：
70.样本获取单元61，获取样本图像及其对应的纹理标签；
71.训练单元62，将样本图像作为训练使用的输入数据，将样本图像对应的纹理标签作为标签，采用深度学习方式进行训练，得到用于生成待识别人脸图像的人脸比对结果的人脸比对模型。
72.需要说明的是，在样本获取单元61获取样本图像及其对应的纹理标签是，获取的样本图像数据可以理解为图片数据的集合，该图片数据可以是针对不同人脸，且该同一人脸在不同角度、不同环境条件、不同像素颜色等状态下的图片，图片数据流通常比较大，可达上百万张级别。上述样本图像用于训练待训练网络，以完成模型的构建。
73.在一个可选实施例中，该训练模块，还包括：数据增强单元，以在获取样本图像之后，基于数据增强策略对样本图像进行数据增强。具体而言，数据增强策略包括剪裁、旋转、平移、翻转、锐化、光照和遮挡中的至少一种，比如，数据增强策略包括剪裁、旋转、平移、翻转、锐化、光照或遮挡，再比如，数据增强策略包括剪裁、旋转、平移、翻转、锐化、光照和遮挡中的至少二种。通过采用至少两种数据增强策略分别对获取的样本进行数据增强，以便于增加模型的训练数据量，提高模型的检测精度。
74.在本实施例中，利用训练单元62将样本图像作为训练使用的输入数据，将样本图像对应的纹理标签作为标签，采用深度学习方式进行训练，得到用于生成待识别人脸图像的人脸比对结果的人脸比对模型。需要说明的是，待训练网络可以是训练装置中内置的一有网络，该已有网络通常包括一个网络结构，也可以是用户指定的其他网络，如各种神经网络cnn等。待训练网络中通常包括特征提取层、人脸比对层和损失函数；按照预设的迭代规则，将上述增强处理后的训练数据输入至待训练模型中进行训练，得到训练后的目标识别模型。
75.另外，基于纹理标签和提取得到的纹理特征损失函数具体可以为交叉熵函数，在训练模型过程中，利用纹理标签对纹理特征的提取进行监督训练，以便于提高提取的纹理特征的准确性，另外，色彩特征采用无监督学习的方式进行训练。
76.图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)71、通信接口(communications interface)72、存储器(memory)73和通信总线74，其中，处理器71，通信接口72，存储器73通过通信总线74完成相互间的通信。处理器71可以调用存储器73中的逻辑指令，以执行人脸比对方法，该方法包括：获取待识别人脸图像；将待识别人脸图像输入至人脸比对模型中，得到人脸比对模型输出的人脸比对结果；其中，人脸比对模型是基于样本图像以及样本图像对应的纹理标签训练得到的；人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与
预先存储的人脸比对特征进行人脸比对。
77.此外，上述的存储器73中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
78.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的人脸比对方法，该方法包括：获取待识别人脸图像；将待识别人脸图像输入至人脸比对模型中，得到人脸比对模型输出的人脸比对结果；其中，人脸比对模型是基于样本图像以及样本图像对应的纹理标签训练得到的；人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与预先存储的人脸比对特征进行人脸比对。
79.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的人脸比对方法，该方法包括：获取待识别人脸图像；将待识别人脸图像输入至人脸比对模型中，得到人脸比对模型输出的人脸比对结果；其中，人脸比对模型是基于样本图像以及样本图像对应的纹理标签训练得到的；人脸比对模型用于将基于待识别人脸图像提取得到的人脸图像特征进行色彩调节和纹理填充之后，与预先存储的人脸比对特征进行人脸比对。
80.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
81.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
82.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。